Auftakt zum Open-Source-Advent
„Ich möchte in Open Source einsteigen, aber ich weiß nicht wie.“
Kommt dir das bekannt vor? Wolltest du dich schon länger stärker an Open-Source-Software beteiligen, aber niemand hat dir einen Einstiegspunkt gegeben?
So ging es mir bis vor Kurzem. Das ist ein wichtiger Grund, warum ich das Team bei Zilliz und 24 weitere Teams dazu gebracht habe, an diesem kommenden Projekt zusammenzuarbeiten, unserer Version des Open Source Advent!
Wie kannst du stärker in Open Source einsteigen?
In den ersten 25 Tagen im Dezember 2023 werden wir auf unserer Social-Media-Seite ein Open-Source-Projekt vorstellen. Zu jedem Projekt bieten wir mindestens ein Tutorial an, das du in unter 30 Minuten absolvieren kannst, damit du schnell mit diesem Projekt loslegen kannst.
Um das Ganze etwas unterhaltsamer und festlicher zu machen, haben wir daraus auch ein Spiel gemacht. So spielst du das Open Source Advent-Spiel.
Einige Spielregeln, die dich dazu ermutigen sollen, Spaß auf deiner Open-Source-Reise zu haben
Du bekommst einen Punkt für:
Das Markieren des GitHub-Repos des vorgestellten Projekts mit einem Stern
Das Erstellen eines Repos unter Verwendung des Projekts und das Hochladen auf GitHub
Das Erstellen eines Beitrags und das Taggen der Unternehmensseite des vorgestellten Projekts auf X oder LinkedIn
- Einen zusätzlichen Punkt für das Taggen eines Freundes/einer Freundin (bis zu 3 Freunde)
Um dich zu ermutigen, dich noch stärker einzubringen, haben wir außerdem Dinge hinzugefügt, mit denen du drei Punkte bekommen kannst:
Das Schreiben eines PRs, der gemerged wird (+3)
Das Schreiben eines Blogs über ihre Erfahrung mit diesem Programm (+3)
Die drei Bestplatzierten erhalten:
Ein Swag-Paket für Milvus (von Zilliz), einschließlich:
- Ein Hoodie
- Ein Shirt
- Ein Paar Socken
- Sticker
Einen Shoutout von Zilliz (und mir!) in den sozialen Medien
Ein Swag-Paket von Partnern, die Swag verschicken können!
Wie sieht der Plan aus?
An jedem Tag des Open Source Advent veröffentlichen wir:
Eine Ankündigung des vorgestellten Projekts mit einer Beschreibung und einem Link zu seinem GitHub
Einen kurzen Einstiegsguide
Eine Liste von GitHub-Issues, mit denen du möglicherweise loslegen kannst
Links, über die du dich stärker am Projekt beteiligen kannst, wenn du möchtest
Wie nimmst du teil?
Tritt dem Open Source Advent Discord Channel bei
Stelle sicher, dass du ein GitHub-Konto und eine IDE hast
Sei bereit, einigen Code-Tutorials zu folgen
Einreichungen werden ab dem 26. Dezember 2023 im Discord Channel geöffnet und enden am 2. Januar 2024. Die Gewinner werden am 8. Januar 2024 bekannt gegeben.
Was passiert, wenn es einen Gleichstand gibt?
Wenn mehr als drei Personen die gleiche Punktzahl haben, verwenden wir einen spaßigen Tie-Breaker — wenn du ein Repo hast, das mehr als ein Projekt verwendet, erhältst du einen +0,5-Multiplikator für jedes Projekt. Zum Beispiel bekommst du 1,5 Punkte für jedes Projekt, das 2 der vorgestellten Open-Source-Projekte verwendet, und 2 Punkte für jedes Projekt, das du erstellst und das 3 der vorgestellten Open-Source-Projekte verwendet.
Wenn es DANACH IMMER NOCH Gleichstände gibt, veranstalten wir ein Code-off, bei dem du eine zusätzliche Woche Zeit hast, weitere Projekte zu erstellen, um mehr Punkte zu sammeln!
Vorgestellte Projekte für 2023
Welche 25 Open-Source-Projekte bringen wir dir für den Open Source Advent?
Hier ist ein kleiner Vorgeschmack, mit offiziellen Ankündigungen für jedes Projekt an seinem jeweiligen Vorstellungstag.
Quivr von Stan Girard
Ydata-synthetic und Ydata-profiling von YData
VectorFlow von dgarnitz
Ein Geheimnis
Frohe Weihnachten!
Weiterlesen
Top 10 Context Engineering Techniques You Should Know for Production RAG
A practical guide to context engineering for production LLM systems, covering RAG, context processing, memory, agents, and multimodal context.
OpenAI o1: What Developers Need to Know
In this article, we will talk about the o1 series from a developer's perspective, exploring how these models can be implemented for sophisticated use cases.
DeepRAG: Thinking to Retrieval Step by Step for Large Language Models
Discover DeepRAG, an advanced retrieval-augmented generation (RAG) model that improves LLM accuracy by retrieving only essential data through step-by-step reasoning.